ICP 완전 쉬워용

ICP 너무 쉽당.

간단한 메카니즘은 이렇다.

그러나 이렇게 하게 된다면 Computation이 높기 때문에, 여러가직 corrsponding data를 하는 방법이 있는데 그 방법은 아래 참고 자료를 통해서 이해하면 된다.

참고 자료

https://cs.gmu.edu/~kosecka/cs685/cs685-icp.pdf

https://m.blog.naver.com/PostView.naver?isHttpsRedirect=true&blogId=tlaja&logNo=220666876033

Frobenius norm(Euclidean Norm)

즉, Euclidean Norm이랑 비슷하다.

주로 사용하게 되는 이유는

실제 A라는 행렬(혹은 데이터)와 예측된 B라는 행렬(혹은 데이터)의 오차(similarity)를 비교(Error)할 때 사용이 된다.

norm의 성질로 된 오차값이 나오게 되면서 Error를 줄여갈 때 사용된다.

https://www.jianshu.com/p/fc661f8d5e98

Efficient Organized Point Cloud Segmentation with Connected Components

PCA를 이해해 보자

이해한 대로 말로 털자면, 예를 들어 Marketing 문제를 해결한다고 할때, PCA를 많이 쓰는데, 즉 한 벡터(Information)에 많은 50개의 특징들에 대한 데이터를 가지고 있다고 가정을 해보자. 우리는 이 수천개의 정보 데이터를 가지고 있다고 할때 정보가 중요한지 알고 싶다. 이때 PCA를 써서 중요한 특징들을 뽑아내서 의미 있는 정보 혹은 정보들을 classification을 하거나 Recognition을 할 수 있다.

이와 같은 방식으로, 중요한 요소만 뽑아 내어서 데이터 분석이나 다양한 작업을 할 수 있다.

참고 자료:

https://walwalgabu.tistory.com/entry/PCA%EB%A5%BC-%EC%A7%81%EA%B4%80%EC%A0%81%EC%9C%BC%EB%A1%9C-%EC%9D%B4%ED%95%B4%ED%95%B4%EB%B3%B4%EC%9E%90

Orthogonal Important to every Application

여러 Application에서 orthogonal(Unitary 성질)이 라는 말이 많이 나온다.

예를 들어 Rotation Matrix는 Orthogonal한 특징이 있다. 즉 R^t * R = I.

vector간에 inner product을 했을 때 0의 값이 나오면 orthogonal 하다고 한다.

https://english.stackexchange.com/questions/12219/usage-of-the-word-orthogonal-outside-of-mathematics